基于SVM和DS证据理论融合多特征的玉米病害识别研究

针对玉米叶部病害图像的颜色、纹理、形状特征对病害影响的差异性,提出一种结合单特征下的SVM识别准确率和识别结果的融合多特征玉米病害识别方法。首先对预处理后的玉米病害图片提取颜色、纹理、形状3种特征,对应每一种特征构建一个SVM分类器,结合3个SVM分类器的平均准确率和识别结果作为证据理论的3个证据,构建D-S证据理论的基本概率分配函数(BPA),最后根据D-S证据理论决策规则进行决策级融合,依据决策条件输出最终识别结果。结果表明,结合SVM识别准确率和识别结果来对玉米的灰斑病、弯孢菌叶斑病、锈病三种病害进行识别,准确率分别为95%,85%,100%,平均准确率为93.33%,该方法对玉米叶部病害的识别更准确和稳定。     

基于图像处理的酿酒葡萄叶片病害分割与诊断

利用图像处理技术和人工神经网络对酿酒葡萄常见的4种病害进行分割和识别。首先,在HSV颜色空间中采用ISODATA聚类算法分割病斑,在病斑区域,对于H、S、V分量分别提取了基于灰度共生矩阵的4种纹理特征以及颜色特征;然后以人工神经网络为分类器,对各分量及其组合的特征对于识别精度的影响进行了实验研究,结果表明,H分量对于4种病斑均具有较好的分割效果;在诊断时,HS组合的特征具有最好的识别效果,平均准确率达到了90%,对白粉病识别率则达到94%。     

自然场景下低分辨率苹果果实病害智能识别方法

为实现自然场景下低分辨率苹果果实病害的智能识别,对获取图像进行预处理,采用改进的水平集交互式分割方法提取病斑。根据病斑特点,提取H,S,V等3个通道的2个低阶颜色矩作为颜色特征,基于灰度共生矩阵提取8个特征参数作为纹理特征,提取病斑的Hu不变矩作为形状特征。在对特征进行优选的基础上,构建支持向量机病害识别模型。实验结果表明,用优选的15个特征和支持向量机识别模型,对3种病害的平均正确识别率达到90%,可以有效识别苹果果实病害。     

马铃薯典型病害图像自适应特征融合与快速识别

针对自然条件下马铃薯典型病害区域定位和识别难的问题,提出了一种马铃薯典型病害图像的自适应特征融合与快速识别方法。该方法利用K-means、Hough变换与超像素算法定位叶片,结合二维Otsu与形态学法分割病斑区域,通过病斑图像颜色、形状、纹理的自适应主成分分析(PCA)特征加权融合,进行支持向量机(SVM)病害识别。对3类马铃薯典型病害图像进行识别试验,结果表明:SVM识别模型下,自适应特征融合方法相比PCA降维、特征排序选择等传统自适应方法,平均识别率至少提高了1.8个百分点;13个自适应融合特征下,识别方法平均识别率为95.2%,比人工神经网络、贝叶斯分类器提高了3.8个百分点和8.5个百分点,运行时间为0.600 s,比人工神经网络缩短3 s,可有效保证识别精度,大大加快了识别速度。     

甘蔗病斑模式识别特征参数提取的研究

在甘蔗病害识别的研究中,为寻找合适的赤腐病病斑和环斑病病斑分类的特征参数,从颜色、纹理和形状3个方面探讨了识别这两种病斑的特征参数的可行性。初步分析结果表明：颜色分量Cr的均值、颜色分量S的方差、颜色分量V的均值、圆度和复杂性可作为识别这两种病斑的特征参数。用模糊K-近邻算法进行模式识别,结果发现颜色分量Cr的均值与圆度、颜色分量V的均值与圆度的特征参数组合的区分效果最好。     

基于PCA-SVM的麦冬叶部病害识别系统

以川麦冬叶部黑斑病、炭疽病、叶枯病3种病害图像为研究对象,采用K-Means聚类分割技术分离出病斑,通过对颜色、形状和纹理特征构成的46维特征向量进行主成分分析,再运用支持向量机设计的多级分类器进行病害识别,开发出的麦冬叶部病害识别系统识别率达到了94.4%,表明了系统对麦冬病害防治,促进麦冬产业现代化发展有重要意义。     

基于颜色掩膜网络和自注意力机制的叶片病害识别方法

为了提取到更加准确、丰富的叶片病斑的颜色特征和空间特征,解决病害严重程度细粒度分类粗糙、识别准确率低等问题,提出一种融合颜色掩膜网络和自注意力机制(Fusion color mask and self-attention network, FCMSAN)的病害识别方法。FCMSAN由颜色掩膜网络(Color mask network,CMN)和融合通道自适应的自注意力网络(Channel adaptive self-attention network, CASAN)构成。CMN通过学习叶片病斑颜色区域信息提高模型提取颜色特征的能力;CASAN能够提取全局范围内的病斑特征,同时加入病斑的位置特征和通道自适应特征,可以精确、全面定位叶片病斑区域。最后通过特征转换融合模块（Transfer fusion layer,TFL）将CMN和CASAN进行融合。经实验证明,FCMSAN在61类农作物病虫害细粒度识别中,Top-1的分类准确率达到87.97%,平均F1值达到84.48%。最后通过可视化分析,验证了本文方法在病害识别中的有效性。     

水稻纹枯病图像识别处理方法研究

为了实现水稻病害的自动检测,设计并实现了一种基于支持向量机的水稻纹枯病识别方法。首先利用R分量和中值滤波进行图像预处理,然后利用改进的图切割方法进行病斑分割,再提取病斑的颜色和纹理特征,最后利用支持向量机方法对水稻纹枯病进行分类识别。结果表明:识别准确率达到95%,能够满足实际应用的需求。本研究结果可以为水稻病害的自动识别提供参考依据。     

葡萄病害的计算机识别方法

农作物在生长过程中会受到病害侵袭,使其产量和品质受到严重的影响,而病害识别和诊断是作物病害防治的前提。本文针对葡萄病害叶片图像的特点,应用计算机图像处理和模式识别技术研究葡萄病害识别方法,可提高葡萄病害识别的准确率和效率。采集田间自然光照下不同生长阶段的多种病害叶片图像,提取叶片上病斑处的颜色和纹理共28种特征。为筛选出对白粉病、褐斑病、霜霉病、灰霉病、黑痘病、炭疽病等6种常见葡萄病害具有最佳识别率的分类器,对决策树、判别分析、支持向量机、最近邻和集成分类等5大类22种分类器进行了训练和测试,发现集成分类器中的Bagged trees分类器对测试集中的6种病害的平均识别率最高,达到86.4%,对上述各种病害识别率分别为93.0%、87.5%、82.7%、87.7%、85.5%、82.1%。试验结果表明,本方法能够有效识别多种葡萄叶部病害类别,为实现葡萄病害的快速自动识别提供方法和依据。     

基于核相互子空间法的番茄叶部病害快速识别模型

近年来,基于叶片图像的番茄病害识别研究受到广泛关注。本研究利用番茄叶部病害图像中病斑的颜色和纹理的差异,通过提取番茄病害叶片图像的颜色矩（CM）、颜色聚合向量（CCV）和方向梯度直方图（HOG）等颜色纹理特征,引入核相互子空间法（KMSM）,建立了番茄叶部病害快速识别模型（CCHKMSM）。该模型首先通过高斯核函数,将从不同类别叶部病害图像数据中抽取的颜色及纹理特征映射到高维空间;然后对映射的高维空间进行主成分分析,建立非线性病害特征空间;最后基于非线性特征空间最小正则角对病害进行识别。本研究分别以公共农业病虫害数据集PlantVillage中的9种番茄病害类和1类健康番茄叶片图像,以及实际场景下采集的3种叶部病虫害图像数据集开展算法验证试验。基于PlantVillage的试验结果表明,当每类样本集数量为350张时,本研究所提出的CCHKMSM模型识别率达到100%,模型训练时间为0.1540 s,平均识别时间为0.013 s;同时,在样本数量150张到1000张的测试区间内,模型平均识别率为99.14%。该识别率高于其他典型的机器学习模型,与基于深度学习的识别方法相当。基于实际复杂场景下采集病害图像集的实验中,通过对原始图像切割分块后,对各病害的平均识别率为96.21%。试验结果表明,本研究提出的CCHKMSM模型识别准确率高且计算量小,其训练时间和测试时间都远低于深度学习等方法。该方法对系统要求低,具有在手持设备、边缘计算终端等低配置感知系统中的应用潜力。     

基于SVM的小麦叶部病害识别方法研究

为了准确识别小麦叶部常见病害,为小麦病情诊断和发展状况判断提供科学依据,设计并实现了一种基于SVM(Support Vector Machine)的小麦叶部常见病害识别方法。该方法可以实现对小麦白粉病、条锈病和叶锈病的准确识别。首先,基于中值滤波法和K均值聚类算法,实现了图像的去噪及病斑分割;然后,提取了病斑区域形状特征和纹理特征;最后,利用SVM算法对小麦叶部病害进行了分类识别。随机试验结果表明,利用所提取的特征可以有效地实现小麦叶部常见病害的识别,基于形状特征的综合识别率可达99.33%;利用SVM算法进行小麦病害叶片识别是有效的、可行的。该方法对于农作物病害智能识别的推广具有较好的借鉴意义。     

支持向量机在黄瓜病害识别中的应用研究

探讨了采用支持向量机对黄瓜病害进行分类的方法;提取了病斑的形状、颜色、质地、发病时期等特征作为特征向量,利用支持向量机分类器,选取4种常见核函数,以Matlab7.0为平台对10类常见病害进行识别.结果表明,SVM 方法在处理小样本问题中具有良好的分类效果,线性核函数和径向基核函数的SVM 分类方法在黄瓜病害的识别方面优于其他类型核函数的SVM.     

基于StyleGAN2-ADA和改进YOLO v7的葡萄叶片早期病害检测方法

为实现葡萄早期病害的快速准确识别,针对葡萄病害的相似表型症状识别率低及小病斑检测困难的问题,以葡萄黑腐病和黑麻疹病为研究对象,提出了一种基于自适应鉴别器增强的样式生成对抗网络与改进的YOLO v7相结合的葡萄黑腐病和黑麻疹病的病斑检测方法。通过自适应鉴别器增强的样式生成对抗网络和拉普拉斯滤波器的方差扩充葡萄病害数据。采用MSRCP算法进行图像增强,改善光照环境凸显病斑特征。以YOLO v7网络框架为基础,将BiFormer注意力机制嵌入特征提取网络,强化目标区域的关键特征;采用BiFPN代替PA-FPN,更好地实现低层细节特征与高层语义信息融合,以同时降低计算复杂度;在YOLO v7的检测头部分嵌入SPD模块,以提高模型对低分辨率图像的检测性能;并采用CIoU与NWD损失函数组合对损失函数重新定义,实现对小目标快速、准确识别。实验结果表明,该方法病斑检测精确率达到94.1%,相比原始算法提升5.7个百分点,与Faster R-CNN、YOLO v3-SPP和YOLO v5x等模型相比分别提高3.3、3.8、4.4个百分点,能够实现葡萄早期病害快速准确识别,对于保障葡萄产业发展具有重要意义。     

基于图像处理和模糊聚类方法的黄瓜霜霉病识别研究

综合运用图像处理和模糊识别技术,以黄瓜病害为研究对象,进行黄瓜霜霉病自动识别的试验研究。在自然光条件下拍摄黄瓜叶片图像作为实验数据,为减少干扰因素对病害特征的不利影响,对原始图像做预处理,并把病斑分离出来;在农业植保专家的指导下,分析了黄瓜霜霉病病害的典型特征,从病斑形状、纹理和颜色三方面提取了16个特征参数;对黄瓜霜霉病叶片图像进行有监督的样本训练,得到黄瓜霜霉病害的标准特征模式,再对待测样本进行模糊聚类测试,平均识别准确率为95.28%。试验结果表明,该方法对于黄瓜霜霉病的识别效果较好。     

黄瓜霜霉病图像预处理方法研究

为了获得适合于提取黄瓜霜霉病病斑的颜色和纹理特征的预处理方法,采用邻域平均法和中值滤波法对黄瓜霜霉病病斑图像进行平滑处理并加以比较.结果表明:邻域平均法作为颜色特征参数提取前的预处理效果较好,中值滤波作为纹理特征参数提取前的预处理效果较好;其次为了有效提取黄瓜霜霉病的病斑形状,分别采用一阶微分和二阶微分对图像进行了边缘检测处理,结果表明一阶微分更适合黄瓜霜霉病斑的形状特征提取.这些研究为进一步的特征参数提取以及最终的病害确定奠定了一定的基础.     

基于图像处理的温室黄瓜霜霉病诊断系统

为进一步提高温室黄瓜霜霉病诊断的准确率,构建了一个基于图像处理的温室黄瓜霜霉病诊断系统。针对温室黄瓜栽培现场采集的病害图像,采用基于条件随机场(Conditional random fields,CRF)的图像分割方法进行病斑图像分割,并采用决策树模型扩展一元势函数,提高病斑图像分割的准确性;将分割后的病斑图像转换到HSV颜色空间并提取其颜色、纹理和形状等25个特征,利用粗糙集方法进行特征选择与优化;构建了基于径向基核函数的SVM分类器,准确地识别与诊断温室黄瓜霜霉病。系统试验验证结果表明,该系统采用的病斑分割方法,能够克服复杂背景和光照条件的影响,准确地提取病斑图像;采用粗糙集方法能够有效地选择分类特征,将25个初始特征减少到12个,提高了运行效率;黄瓜霜霉病识别准确率达到90%,能够满足设施蔬菜叶部病害诊断的需求。     

基于计算机视觉的土壤镉胁迫生菜叶片污染响应分析

为了实现无损检测生菜叶片中重金属镉的污染程度,以计算机视觉技术为研究手段,结合图像处理方法和特征选择方法,对4个梯度重金属镉胁迫的生菜叶片进行识别。首先利用数码相机获取生菜叶片图像,然后使用K-means聚类算法分割图像,对分割出的目标图像提取图像颜色、形状和纹理特征,共获取46个图像特征。为了使模型更简便和减少数据量,利用基于变量组合的变量重要性分析(VIAVC)和竞争性自适应重加权算法(CARS)对图像特征进行降维。采用偏最小二乘法判别分析(PLS-DA)和随机森林(RF)构建模型,用于生菜镉胁迫程度的识别。结果表明,在7个组合特征模型中,颜色形状纹理融合特征所建立的模型给出了最优结果,测试集分类正确率为92%。用VIAVC和CARS对颜色形状纹理融合特征进行特征选择,发现VIAVC的降维效果优于CARS。使用特征选择的变量建立模型,RF模型的训练集分类正确率和预测集分类正确率均高于PLS-DA,其中,基于VIAVC的RF模型的训练集和预测集分类正确率分别为98.0%和96.0%。可见,基于VIAVC的RF模型在大大降低了特征维数的前提下,能够较好地对不同镉胁迫程度的生菜叶片进行识别。     

基于压缩感知理论的苹果病害识别方法

为实现自然场景下低分辨率苹果果实病害的智能识别,提出了一种基于压缩感知理论的苹果病害识别方法。以轮纹病、炭疽病和新轮纹病3种常见的苹果果实病害为研究对象,提取病斑的8个纹理特征参数组成训练特征矩阵。利用压缩感知理论,求解待测样本特征向量在特征矩阵上的稀疏表示系数向量,通过对系数向量的分析实现待测样本的分类。设计灰度关联分析和支持向量机识别模型与本文方法进行识别效果对比,平均正确识别率分别为86.67%、90%和90%。实验结果表明,基于压缩感知理论的识别方法能够对苹果病害进行有效识别。     

基于多视图特征融合的植物病害识别算法

近年来,基于传统机器学习和深度学习的叶片病害识别算法取得显著进展。然而现有病害识别模型大多采用单一类型特征,即对叶片病害图像提取颜色纹理等传统特征或采用深度学习自动学习特征。一方面采用深度学习自动学习特征需要大量样本,计算开销较大;另一方面传统特征往往应用于小规模病害数据集。因此提出基于多视图特征融合的病害识别算法,首先提取病害叶片图像的Gist特征以及基于深度学习预训练模型VGG16的深度特征,通过深度典型相关分析(DCCA)发掘传统特征与深度特征的相关性,获得更加鲁棒的特征子空间,从而提高识别效果。在Plant Village上的试验结果表明,采用DCCA融合传统特征和深度特征的识别方法比单类型特征识别法的识别精度要高,其平均识别精度可达88.45%。     

基于计算机图像处理技术的黄瓜病害特征提取

精准识别作物病害的前提是精确提取其特征。为此,利用计算机图像处理技术,研究了黄瓜霜霉病的特征提取过程。使用高精度的光学设备直接进行数字图像采集,再运用图像预处理方法对图像数据进行优化,去除干扰,精确定位病斑部位;分析黄瓜霜霉病的表现形式,从统计量、颜色和形状3个方面分离出特征参数值15个。这些特征值将作为识别该病害的主要依据,大大提高了病害的识别精度。